Technischer Kontext
Ich würde es so erklären: Ein einzelner CLI-Agent kann von sich aus programmieren, suchen und Befehle ausführen. Aber sobald ich eine KI-Automatisierung mit mehreren Agenten benötige, taucht ein altes Problem wieder auf: Sie können die Ausgabe der anderen nicht sehen und haben Schwierigkeiten, sich richtig zu synchronisieren.
Die einfachste, aber funktionierende Methode ist tmux. Ich richte mehrere Bereiche (panes) oder Sitzungen ein, in denen jeweils ein eigener Agent läuft. Darüber sitzt ein Orchestrator, der die Ergebnisse liest, Aufgaben weiterleitet und verhindert, dass die Kontexte zu einem Durcheinander werden.
Dies manuell zu tun ist schnell, kann aber sehr rudimentär sein. Das Kopieren und Einfügen zwischen den Bereichen, die Verwendung von Sockets, MCP-Servern, Textprotokollen und Zusammenfassungsskripten – all das funktioniert, solange das System klein ist.
Hier kommen spezialisierte CLIs wie CAO und ähnliche Tools ins Spiel. Ich habe mir die Muster angesehen, und die Idee ist solide: Ein Supervisor-Agent delegiert Aufgaben an Worker-Agenten, kümmert sich um Übergaben, asynchrone Zuweisungen, direkte Nachrichten und sorgt für die Trennung der Sitzungen, oft auf Basis von tmux selbst.
Technisch gesehen ist das keine Magie, sondern eine Infrastrukturschicht. Sie löst drei Probleme: den Austausch von Ausgaben zwischen Prozessen, die Zustandsverwaltung und die Kontrolle des „Token Bloat“, wenn ein Agent ein rohes, bildschirmfüllendes Protokoll in einen anderen ausgibt.
Die Grenze ist ziemlich klar. Für 2-4 Agenten ist tmux noch tolerierbar. Bei 5 oder mehr Agenten beginnt das ganze System ohne ein richtiges Nachrichtenschema, eine Aufgabenliste und ein Austauschprotokoll an Race Conditions, verlorenen Antworten und einem aufgeblähten Kontext zu scheitern.
Auswirkungen auf Unternehmen und Automatisierung
Für ein Unternehmen geht es hier nicht um einen schicken Begriff, sondern um Architektur. Wenn ich eine KI-Integration für Entwicklung, Support oder interne Abläufe aufbaue, brauche ich nicht nur einen „intelligenten Agenten“, sondern eine steuerbare Kette von Spezialisten: Einer plant, ein zweiter schreibt Code, ein dritter testet und ein vierter fasst das Ergebnis zusammen.
Teams mit wiederholbaren Pipelines und vielen parallelen Routineaufgaben profitieren am meisten. Diejenigen, die versuchen, einen einzigen Agenten für alles zu skalieren, verlieren und wundern sich dann, warum der Kontext anschwillt, die Antworten inkonsistent werden und die Kosten steigen.
In der Praxis würde ich einfach raten: Eine Hypothese schnell mit tmux testen und für die Produktion zu einer richtigen Orchestrierungsschicht mit Nachrichten, Ausgabebeschränkungen und explizitem Zustandsmanagement übergehen. Bei Nahornyi AI Lab lösen wir genau solche Probleme für Kunden: Wir bestimmen, wo eine einfache Hülle ausreicht und wo eine vollwertige KI-Lösungsentwicklung für einen bestimmten Prozess erforderlich ist.
Wenn Sie bereits Agenten haben, aber immer noch ein Mensch zwischen ihnen kopiert und einfügt, ist das genau der Punkt, an dem ich den Arbeitsablauf neu gestalten würde. Bei Nahornyi AI Lab kann ich gemeinsam mit Ihnen eine KI-Automatisierung aufbauen, damit die Agenten Ihrem Team wirklich Stunden sparen, anstatt eine neue Ebene des Chaos zu schaffen.